Validez de un programa basado en IA para identificar alimentos y estimar el tamaño de las porciones de alimentos (PortionSizeAI)
Prueba de la validez de un programa basado en inteligencia artificial para identificar alimentos y estimar el tamaño de las porciones de alimentos entre adultos, un estudio piloto
Descripción general del estudio
Estado
Condiciones
Intervención / Tratamiento
Descripción detallada
Tipo de estudio
Inscripción (Actual)
Fase
- No aplica
Contactos y Ubicaciones
Ubicaciones de estudio
-
-
Louisiana
-
Baton Rouge, Louisiana, Estados Unidos, 70808
- Pennington Biomedical Research Center
-
-
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
Acepta Voluntarios Saludables
Descripción
Criterios de inclusión:
- Masculino o femenino
- 18-62 años
- Índice de masa corporal (IMC) autoinformado 18,5-50 kg/m2
Criterio de exclusión:
- Cualquier condición o circunstancia que pueda impedir la finalización del estudio.
- No está familiarizado o no puede usar un iPhone
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
- Propósito principal: Otro
- Asignación: N / A
- Modelo Intervencionista: Asignación de un solo grupo
- Enmascaramiento: Ninguno (etiqueta abierta)
Armas e Intervenciones
Grupo de participantes/brazo |
Intervención / Tratamiento |
|---|---|
|
Experimental: Experimental
|
Para este estudio piloto, utilizando una muestra de conveniencia, los investigadores reclutarán hasta 25 adultos para utilizar la tecnología de IA de nutrición en Openfit para identificar y estimar el tamaño de las porciones de los alimentos proporcionados en un laboratorio en el Pennington Biomedical Research Center (PBRC) y/o Universidad Estatal de Luisiana (LSU).
Los miembros del laboratorio del Laboratorio de Comportamiento Ingestivo también probarán la capacidad de la IA de Nutrición para identificar alimentos y cuantificar los alimentos proporcionados en el laboratorio.
Las comidas serán simuladas y los participantes no consumirán los alimentos proporcionados.
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Identificación de alimentos servidos mediante la aplicación móvil Openfit
Periodo de tiempo: Una visita de estudio de ~2 horas
|
Acuerdo en torno a la identificación de alimentos y bebidas proporcionados en comparación con la identificación conocida, a nivel de artículo y en todos los artículos donde la identificación está determinada por: 1) IA de nutrición sin corrección (automatizada), 2) IA de nutrición con corrección del usuario (semiautomática) Para que un alimento identificado a través de Nutrition AI se considere una coincidencia exacta, el nombre del alimento identificado debe coincidir o ser muy similar al alimento servido. Por ejemplo, un cóctel de frutas identificado como ensalada de frutas es una combinación aceptable. Se utilizarán proporciones para evaluar si el porcentaje de alimentos servidos en platos que fueron identificados correctamente por Nutrition AI es diferente al porcentaje de alimentos identificados correctamente mediante un método de criterio (evaluador humano). También se utilizarán datos descriptivos para describir la frecuencia con la que se identificaron correctamente los alimentos servidos en platos para todos los alimentos de todos los participantes. En total, se probaron 255 alimentos entre todos los participantes. |
Una visita de estudio de ~2 horas
|
|
Estimación del tamaño de la porción (kcal) de los alimentos servidos mediante la aplicación móvil Openfit
Periodo de tiempo: Una visita de estudio de ~2 horas
|
Error entre las estimaciones medias de los alimentos servidos (kcal) y los alimentos conocidos (kcal), determinado por: 1) IA de nutrición sin corrección del usuario (automatizada), 2) IA de nutrición con corrección del usuario (semiautomática) Se realizará un error medio y un análisis de Bland-Altman para determinar los errores en la estimación de los alimentos servidos a partir del AI de Nutrición en comparación con las estimaciones de la medida de criterio (alimentos pesados). |
Una visita de estudio de ~2 horas
|
|
Satisfacción del usuario de la aplicación móvil Openfit para registrar alimentos emplatados
Periodo de tiempo: Una visita de estudio de ~2 horas
|
Después de completar la evaluación de los alimentos servidos, los participantes completarán una encuesta de satisfacción del usuario (USS). La USS fue una adaptación de una versión anterior utilizada para evaluar la usabilidad de una aplicación móvil para la evaluación dietética. La USS incluye cinco preguntas cuantitativas y tres preguntas de respuesta abierta. Cada una de las preguntas cuantitativas se calificará utilizando una escala Likert de 6 puntos, siendo 1 la puntuación más baja y peor, y 6 la puntuación más alta y mejor. Los datos de cada una de las cinco respuestas cuantitativas en el USS se promediarán entre los participantes y se presentarán por separado como media (DE). Las respuestas abiertas se evaluarán utilizando métodos cualitativos para identificar temas comunes. |
Una visita de estudio de ~2 horas
|
|
Usabilidad de la aplicación móvil Openfit para registrar alimentos servidos
Periodo de tiempo: Una visita de estudio de ~2 horas
|
Los participantes completarán el Cuestionario de satisfacción con la usabilidad de la computadora (CSUQ).
El CSUQ se utiliza frecuentemente para evaluar la usabilidad de aplicaciones móviles.
El CSUQ consta de 19 preguntas, cada una calificada utilizando una escala Likert de 7 puntos (siendo 1 la puntuación más baja y mejor y 7 la puntuación más alta y peor) y los participantes calificarán la satisfacción, la utilidad, la calidad de la información y la calidad de la interfaz del cuestionario. Aplicación abierta.
El promedio de estas 19 preguntas (siendo 1 la mejor puntuación promedio y 7 la peor puntuación promedio) proporciona una puntuación de usabilidad general.
|
Una visita de estudio de ~2 horas
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Identificación de residuos de placas mediante la aplicación móvil Openfit
Periodo de tiempo: Una visita de estudio de ~2 horas
|
Acuerdo en torno a la identificación del desperdicio de platos en comparación con la identificación conocida, a nivel de artículo y en todos los artículos, donde la identificación está determinada por: 1) AI de nutrición sin corrección del usuario (automatizado), 2) AI de nutrición con corrección del usuario (semiautomático) Para que un alimento identificado a través de Nutrition AI se considere una coincidencia exacta de alimentos, el nombre del alimento identificado debe coincidir o ser similar al alimento servido. Por ejemplo, un cóctel de frutas identificado como ensalada de frutas es una combinación aceptable. Las proporciones se utilizarán para evaluar si el porcentaje de alimentos que fueron identificados correctamente por Nutrition AI es diferente al porcentaje de alimentos identificados correctamente por un método de criterio (evaluador humano). También se utilizarán datos descriptivos para describir la frecuencia con la que se identificaron correctamente los residuos de planchas. |
Una visita de estudio de ~2 horas
|
|
Estimación del tamaño de la porción (peso en gramos) de los residuos de platos utilizando la aplicación móvil Openfit
Periodo de tiempo: Una visita de estudio de ~2 horas
|
Error entre las estimaciones medias de los pesos de las porciones (peso en gramos) y los pesos de las porciones conocidos (peso en gramos), donde las estimaciones del desperdicio del plato están determinadas por: 1) AI de nutrición sin corrección del usuario (automatizado), 2) AI de nutrición con corrección del usuario (semi- automatizado) Se realizará el error medio y el análisis de Bland-Altman para determinar los errores en la estimación del desperdicio del plato del IA de Nutrición en comparación con las estimaciones de la medida de criterio (alimentos pesados). |
Una visita de estudio de ~2 horas
|
|
Estimación del tamaño de la porción (kcal) de los residuos del plato utilizando la aplicación móvil Openfit
Periodo de tiempo: Una visita de estudio de ~2 horas
|
Error entre las estimaciones medias del tamaño de la porción (kcal) y el tamaño de la porción conocido (kcal), donde las estimaciones del desperdicio del plato están determinadas por: 1) IA de nutrición sin corrección del usuario (automatizado), 2) IA de nutrición con corrección del usuario (semiautomático) Se realizará el error medio y el análisis de Bland-Altman para determinar los errores en la estimación del desperdicio del plato del IA de Nutrición en comparación con las estimaciones de la medida de criterio (alimentos pesados). |
Una visita de estudio de ~2 horas
|
|
Satisfacción de los usuarios de la aplicación móvil Openfit para el registro de residuos de placas
Periodo de tiempo: Una visita de estudio de ~2 horas
|
Después de completar la evaluación del desperdicio de planchas, los participantes completarán una encuesta de satisfacción del usuario. Los investigadores adaptaron una encuesta de satisfacción del usuario de 10 preguntas que se administró en estudios anteriores para cuantificar la satisfacción, la facilidad de uso y la idoneidad de la capacitación para las aplicaciones móviles. Las respuestas al cuestionario de satisfacción del usuario se evaluarán utilizando frecuencias y porcentajes para datos de escala de Likert. Las respuestas abiertas se evaluarán utilizando métodos cualitativos para identificar temas comunes. |
Una visita de estudio de ~2 horas
|
|
Estimación del tamaño de la porción (peso gramo) de la ingesta de alimentos utilizando la aplicación móvil Openfit
Periodo de tiempo: Una visita de estudio de ~2 horas
|
Error entre las estimaciones medias de los pesos de las porciones (peso en gramos) y los pesos de las porciones conocidos (peso en gramos), donde las estimaciones de la ingesta de alimentos (alimentos en el plato - desperdicio del plato) están determinadas por: 1) IA de nutrición sin corrección del usuario (automatizada), 2) Nutrición IA con corrección de usuario (semiautomática) Se realizará el error medio y el análisis de Bland-Altman para determinar los errores en la estimación de la ingesta de alimentos del AI de nutrición en comparación con las estimaciones de la medida de criterio (alimentos pesados). |
Una visita de estudio de ~2 horas
|
|
Estimación del tamaño de la porción (kcal) de la ingesta de alimentos utilizando la aplicación móvil Openfit
Periodo de tiempo: Una visita de estudio de ~2 horas
|
Error entre las estimaciones medias de la ingesta de alimentos (kcal) y la ingesta de alimentos conocida (kcal), donde las estimaciones de la ingesta de alimentos (plato de comida - desperdicio del plato) están determinadas por: 1) IA de nutrición sin corrección del usuario (automatizada), 2) IA de nutrición con corrección del usuario (semiautomática) Se realizará el error medio y el análisis de Bland-Altman para determinar los errores en la estimación de la ingesta de alimentos del AI de nutrición en comparación con las estimaciones de la medida de criterio (alimentos pesados). |
Una visita de estudio de ~2 horas
|
Colaboradores e Investigadores
Patrocinador
Investigadores
- Investigador principal: Chloe P Lozano, PhD, Pennington Biomedical Research Center
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (Actual)
Finalización primaria (Actual)
Finalización del estudio (Actual)
Fechas de registro del estudio
Enviado por primera vez
Primero enviado que cumplió con los criterios de control de calidad
Publicado por primera vez (Actual)
Actualizaciones de registros de estudio
Última actualización publicada (Estimado)
Última actualización enviada que cumplió con los criterios de control de calidad
Última verificación
Más información
Términos relacionados con este estudio
Palabras clave
Otros números de identificación del estudio
- PBRC 2022-011
- T32DK064584 (Subvención/contrato del NIH de EE. UU.)
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
Descripción del plan IPD
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
Esta información se obtuvo directamente del sitio web clinicaltrials.gov sin cambios. Si tiene alguna solicitud para cambiar, eliminar o actualizar los detalles de su estudio, comuníquese con register@clinicaltrials.gov. Tan pronto como se implemente un cambio en clinicaltrials.gov, también se actualizará automáticamente en nuestro sitio web. .